Agent智能体经典范式构建指南：ReAct、Plan-and-Solve 与 Reflection 全面解析

前言

2025年以来，大模型领域最热门的话题之一，无疑是 Agent（智能体）。

从 ChatGPT 的 Deep Research，到 Claude Code、OpenManus、AutoGen、CrewAI，再到各种自动化办公助手和编程助手，Agent 正逐渐从“会聊天的大模型”演变成“能够自主完成任务的数字员工”。

很多刚接触 Agent 的同学会发现：

为什么有的 Agent 会先思考再行动？

为什么有的 Agent 能自己制定计划？

为什么有的 Agent 完成任务后还会反思并修改答案？

事实上，这些能力背后对应着 Agent 领域最经典的三种设计范式：

• ReAct（Reason + Act）
• Plan-and-Solve（规划求解）
• Reflection（反思优化）

本文将带你系统了解这三种经典 Agent 架构，并分析它们的适用场景、优缺点以及演化关系。

---

Agent到底是什么？

传统大模型工作流程：

用户提问
   ↓
LLM推理
   ↓
输出答案

Agent工作流程：

用户提问
   ↓
任务理解
   ↓
规划
   ↓
工具调用
   ↓
执行
   ↓
结果验证
   ↓
最终输出

核心区别在于：

Agent不仅会思考，还会行动。

例如：

用户输入：

帮我分析最近一周AI领域的重要新闻，
并整理成一份PPT。

普通LLM：

给出一些新闻摘要

Agent：

搜索新闻
↓
筛选重要内容
↓
总结归纳
↓
生成PPT
↓
返回下载链接

而 ReAct、Plan-and-Solve、Reflection 就是 Agent 完成任务时最经典的三种思维模式。

---

第一种范式：ReAct

什么是ReAct？

ReAct 全称：

Reason + Act
推理 + 行动

由 Google Research 于2022年提出。

核心思想：

一边思考，一边行动。

不像传统 Chain of Thought 一次性推理到底，而是：

思考
↓
执行
↓
观察结果
↓
继续思考
↓
继续执行

形成循环。

---

ReAct工作流程

Question
    ↓
Thought
    ↓
Action
    ↓
Observation
    ↓
Thought
    ↓
Action
    ↓
Observation
    ↓
Final Answer

---

示例

用户：

《流浪地球2》的导演是谁？

Agent执行：

Step1

Thought:
我需要查询电影信息

Step2

Action:
搜索《流浪地球2》

Step3

Observation:
导演：郭帆

Step4

Final Answer:
导演是郭帆

---

ReAct Prompt模板

Question: 用户问题

Thought:
我应该怎么做？

Action:
调用什么工具？

Observation:
工具返回结果

Thought:
下一步做什么？

Final Answer:
最终答案

---

优点

实时决策

能够根据工具返回结果动态调整。

实现简单

目前绝大多数Agent框架默认支持。

例如：

• LangChain Agent
• CrewAI
• AutoGen
• OpenManus

本质都是ReAct思想。

---

缺点

缺乏全局规划

例如：

写一本书
完成一个项目
分析一个大型代码库

Agent可能走一步看一步。

容易：

任务漂移
重复执行
效率低

---

第二种范式：Plan-and-Solve

为什么出现？

研究人员发现：

ReAct虽然灵活，

但面对复杂任务时：

先干再说

容易导致路径混乱。

于是提出：

先规划
后执行

即：

Plan-and-Solve。

---

核心思想

第一阶段：

Plan
制定完整计划

第二阶段：

Solve
按照计划执行

---

工作流程

Task
 ↓
Planner
 ↓
生成任务计划
 ↓
Step1
 ↓
Step2
 ↓
Step3
 ↓
...
 ↓
Final Answer

---

示例

用户：

帮我写一篇Agent技术调研报告

Agent首先规划：

步骤1：
介绍Agent概念

步骤2：
分析主流框架

步骤3：
分析应用场景

步骤4：
总结未来趋势

然后逐步执行。

---

Prompt模板

请先分析任务，
生成完整执行计划。

然后严格按照计划逐步完成任务。

---

优点

全局视角

不会想到哪做到哪。

更适合复杂任务

例如：

• 项目开发
• 长文写作
• 学术研究
• 软件工程

---

缺点

计划可能错误

如果第一步规划错了：

后面全部跟着错

灵活性不足

执行过程中难以动态调整。

---

第三种范式：Reflection

什么是Reflection？

Reflection：

反思机制

核心思想：

完成任务后，再检查自己。

类似人类：

做题
↓
检查
↓
发现错误
↓
修改

---

工作流程

Task
 ↓
生成答案
 ↓
Critic
 ↓
发现问题
 ↓
修正答案
 ↓
再次检查
 ↓
最终结果

---

示例

用户：

计算：
378 × 49

Agent：

第一次回答

18522

---

Reflection阶段

检查计算过程
发现错误

---

修正

378 × 49
=18522

结果正确

如果发现错误则继续修正。

---

Reflection Prompt模板

请先完成任务。

然后以审稿人身份审查答案。

指出问题。

重新优化答案。

输出最终结果。

---

优点

提高准确率

显著减少：

• 幻觉
• 逻辑错误
• 数学错误

---

提升代码质量

在 Claude Code、Cursor 等工具中广泛应用。

典型流程：

写代码
↓
运行测试
↓
分析报错
↓
修复代码
↓
重新测试

本质就是Reflection。

---

缺点

Token消耗高

一次任务可能执行：

生成
↓
反思
↓
重写

成本翻倍。

---

三种范式对比

维度	ReAct	Plan-and-Solve	Reflection
核心思想	边想边做	先规划后执行	先完成再反思
灵活性	高	中	中
准确率	中	中高	高
成本	低	中	高
复杂任务能力	中	高	高
工具调用	强	中	中
典型场景	搜索问答	项目规划	代码优化

---

当前主流Agent的做法

现实中的先进Agent很少只采用一种范式。

通常会融合：

Plan-and-Solve
        ↓
ReAct执行
        ↓
Reflection复盘

形成：

规划
 ↓
执行
 ↓
反思
 ↓
修正

闭环架构。

例如：

Claude Code

Plan
↓
编码
↓
测试
↓
Reflection
↓
修复

OpenManus

Plan
↓
ReAct执行
↓
工具调用
↓
Reflection优化

Deep Research

规划调研
↓
搜索资料
↓
交叉验证
↓
反思补充
↓
输出报告

---

Agent未来的发展趋势

当前Agent正在从单智能体向多智能体演化。

未来可能出现：

Multi-Agent

多个Agent协同工作。

例如：

产品经理Agent
↓
架构师Agent
↓
开发Agent
↓
测试Agent

共同完成项目。

---

Self-Evolving Agent

自我进化Agent。

能够：

自动发现问题
自动学习经验
自动优化Prompt

---

Agent Operating System

Agent操作系统。

未来可能出现：

Agent版Windows
Agent版Linux

用户只需提出需求，

Agent自动完成所有操作。

---

总结

如果用一句话概括三种经典Agent范式：

ReAct：
边思考边行动

Plan-and-Solve：
先规划再行动

Reflection：
先完成再反思

它们分别解决了 Agent 的三个核心问题：

ReAct：
如何行动

Plan-and-Solve：
如何规划

Reflection：
如何改进

而当前最先进的 Agent 系统，往往采用三者融合的方式：

Plan
 ↓
ReAct
 ↓
Reflection

这也是今天大多数 AI Agent 产品背后的核心架构思路。